下载掌阅APP，畅读海量书库
立即打开
人工智能(Artificial Intelligence, AI)并非近几年才兴起，其实目前是它的第三波热潮，前两波都发展十余年后，由于一些因素而衰退，而最近这一波热潮延续至今也十年了，会不会高点已过又将走向谷底呢？要回答这问题，我们需要知道过去学者在研究上有了哪些突破与成果，以及导致前两次发展衰退的原因，所以先重点回顾一下近代AI发展史。
图1.1 人工智能的三波浪潮
（1）1956年达特茅斯(Dartmouth)学院举办AI会议，确立第一波浪潮的开始。
（2）1957年Frank Rosenblatt创建感知器(Perceptron)，即简易的神经网络，可惜当时还无法解决复杂多层的神经网络，直至20世纪80年代才想出解决办法。
（3）1969年美国国防部(DARPA)基于投资报酬率过低的理由，决定缩减AI研究经费，AI迈入第一波寒冬。
（4）1980年专家系统(Expert System)兴起，企图将各行各业专家的内隐知识外显为一条条的规则，从而建立起专家系统，不过因不切实际，且需要使用大型且昂贵的计算机设备才能够建构相关系统，故而发展受挫。又不巧适逢个人计算机(PC)流行，相较之下，AI的发展势头就被掩盖下去了，至此，AI迈入第二波寒冬。
（5）2012年多伦多大学Geoffrey Hinton研发团队利用分布式计算环境及大量影像数据，结合过往的神经网络知识，开发了AlexNet神经网络，并参加ImageNet影像辨识大赛，结果一下子把错误率降低了十几个百分点，就此AI第三波浪潮兴起，至今方兴未艾。
回到前面的问题上，第三波热潮算下来也有十年的时间了，会不会又将迈入寒冬呢？其实仔细观察会发现，这波热潮相较于前两波，具备了以下几项优势。
（1）基础功能架构较好，从影像、语音、文字辨识开始，再逐步往上构建各种的应用，例如自动驾驶(Self-Driving)、对话机器人(ChatBot)、机器人(Robot)、智慧医疗、智慧城市等，这种由下往上的发展方式比较扎实。
（2）硬件的快速发展。
①遵循摩尔定律快速发展：IC上可容纳的晶体管数目，约每隔18个月至两年便会增加一倍，简单来说，就是CPU每隔两年便会增快一倍。过去50年均循此定律发展，此定律在未来十年也应该会继续适用，之后或许量子计算机(Quantum Computer)等新科技会继续接棒，它号称目前计算机要计算几百年的工作，量子计算机只需30分钟就搞定了，如果成真，到那时可能又是另一番光景了。
②云端数据中心的建立：各大IT公司在世界各地兴建大型的数据中心，收费模式采取“用多少付多少”(Pay as you go)。由于模型训练时，通常需要大量运算，如果改用云端方案的话，一般企业就不须在前期购买昂贵设备，仅须支付必要的运算费用，也免去冗长的采购流程，只要几分钟就可以开通(Provisioning)所需设备，省钱省时。
③GPU/ NPU的开发：深度学习主要是以矩阵运算为主，而GPU在这方面的运算能力比CPU快非常多倍，所以专门生产GPU的美国公司英伟达(NVIDIA)备受瞩目，市值甚至超越Intel [1] 。当然其他硬件及系统厂商不会错失如此庞大的商机，纷纷积极抢食这块大饼，所以各种NPU(Neural-network Processing Unit)或xPU相继推出，使得指令周期越来越快，故而模型训练的时间能够大幅缩短，由于模型调试通常需要反复训练，所以能在短时间内得到答案的话，对数据科学家而言会是一大福音。另外，连接现场装置的计算机(Raspberry pi、Jetson Nano、Auduino等)体积越来越小，运算能力也越来越强，对于“边缘运算”也有很大的帮助，例如路口监视器、无人机等。
（3）算法推陈出新：计算能力提高后，许多无法在短时间完成训练的算法一一解封，尤其是神经网络，现在已经能够建构上百层的模型，包含高达上兆个参数，并且成功在短时间内调试出最佳模型，因此，模型设计就可以更复杂，算法逻辑也能更加完备。
（4）大量数据的搜集及标注(Labeling)：人工智能必须依赖大量数据，来让计算机学习，从中挖掘知识，近年来因因特网(Internet)及手机(Mobile)的盛行，企业除了通过社群媒体搜集大量数据之外，还可由物联网(IoT)的传感器产生源源不断的数据作为深度学习的养分(训练数据)，又加上这些大型网络公司的资金充足，只要雇用大量人力进行数据标注，来确保数据的质量，就能使得训练出来的模型越趋精准。
综合上述趋势发展所提供的迹象，与前两波相比，第三波热潮中AI研究成果已有一定程度的积累，硬件的发展也跟上了理论的脚步，而且大环境的支持也相对成熟，所以笔者推测目前这波热潮在短期内应该可以乐观对待。